中文多模态大模型能力已发展至何种水平？SuperCLUE-V 基准 8 月榜单于近期发布，结果颇具看点：腾讯混元大模型以 71.95 分的综合成绩位列国内第一，而总榜上唯一领先它的模型是 GPT-4o，总分 74.36 分。换言之，国内模型与全球顶尖水准之间的差距已缩小至不足 3 分。然而，这看似微小的一步，背后并不轻松。

本次测评覆盖了 12 个国内外最具代表性的多模态理解大模型，其中海外模型 4 个、国内模型 8 个。为使开源与闭源两条技术路线的发展进程均具有参考价值，参评模型中囊括了 4 个开源方案与 8 个闭源方案。腾讯混元在多模态基础能力和应用能力两大维度的综合得分为 71.95，这一成绩在国内阵营中确实处于领跑地位。

▲ 图源：CLUE 中文语言理解测评基准

不过，看问题需深入本质。SuperCLUE 的评价中有一个关键提示：在基础能力层面，国内大模型与海外模型之间依然存在结构性差距，尤其在细粒度视觉认知任务上，国内外最优模型之间的得分差距达到 5 分。这意味着什么？简单来说，模型能够“看见”图片中的高楼大厦并不困难，但能否同时留意到窗户上贴着一张泛黄的告示、并判断告示上的字迹是否清晰——这种对细节的深度理解能力，才是真正的分水岭。

此次 GPT-4o 在基础多模态认知能力和应用能力两个维度均取得了 70 分以上的成绩，技术能力与应用落地两条腿都走得比较稳健。而国内模型若要真正追平甚至实现超越，下一阶段的核心课题便是：如何将细粒度视觉认知能力再提升一个台阶。毕竟，多模态大模型的竞争，从来不是比谁认得出猫和狗，而是比谁能精准读懂一张复杂图纸上的细微标注。

总体而言，腾讯混元此次的表现为国内多模态大模型注入了一剂强心针，但 5 分的细粒度差距也提醒所有从业者：基础能力的打磨远未到可以松懈的时候。